CN116432849A - 一种基于初级生产力数据同化的叶面积指数预测方法 - Google Patents
一种基于初级生产力数据同化的叶面积指数预测方法 Download PDFInfo
- Publication number
- CN116432849A CN116432849A CN202310420571.XA CN202310420571A CN116432849A CN 116432849 A CN116432849 A CN 116432849A CN 202310420571 A CN202310420571 A CN 202310420571A CN 116432849 A CN116432849 A CN 116432849A
- Authority
- CN
- China
- Prior art keywords
- data
- primary productivity
- primary
- data set
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 82
- 238000013528 artificial neural network Methods 0.000 claims abstract description 43
- 238000005259 measurement Methods 0.000 claims abstract description 40
- 230000005855 radiation Effects 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 18
- 230000000243 photosynthetic effect Effects 0.000 claims abstract description 17
- 238000003062 neural network model Methods 0.000 claims abstract description 16
- 230000004907 flux Effects 0.000 claims abstract description 13
- 238000010521 absorption reaction Methods 0.000 claims abstract description 7
- GVVPGTZRZFNKDS-JXMROGBWSA-N geranyl diphosphate Chemical compound CC(C)=CCC\C(C)=C\CO[P@](O)(=O)OP(O)(O)=O GVVPGTZRZFNKDS-JXMROGBWSA-N 0.000 claims description 38
- 238000004364 calculation method Methods 0.000 claims description 34
- 238000012360 testing method Methods 0.000 claims description 25
- 230000029553 photosynthesis Effects 0.000 claims description 11
- 238000010672 photosynthesis Methods 0.000 claims description 11
- 230000002354 daily effect Effects 0.000 claims description 9
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 230000003203 everyday effect Effects 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 11
- 241000196324 Embryophyta Species 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 6
- 238000012067 mathematical method Methods 0.000 description 5
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 229910002092 carbon dioxide Inorganic materials 0.000 description 2
- 239000001569 carbon dioxide Substances 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006698 induction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- RZVAJINKPMORJF-UHFFFAOYSA-N Acetaminophen Chemical compound CC(=O)NC1=CC=C(O)C=C1 RZVAJINKPMORJF-UHFFFAOYSA-N 0.000 description 1
- 241000209140 Triticum Species 0.000 description 1
- 235000021307 Triticum Nutrition 0.000 description 1
- 229940059720 apra Drugs 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Development Economics (AREA)
- Mathematical Physics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Marketing (AREA)
- Biomedical Technology (AREA)
- Entrepreneurship & Innovation (AREA)
- Multimedia (AREA)
- Game Theory and Decision Science (AREA)
- Medical Informatics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Primary Health Care (AREA)
Abstract
一种基于初级生产力数据同化的叶面积指数预测方法,属于叶面积指数预测技术领域。为解决农作物的叶面积指数进行准确的预测的问题。本发明采集空气湿度数据、温度数据、植被吸收光合有效辐射数据,采集初级生产力数据,对植被进行拍照,构建初级生产力预测数据集、初级生产力实测数据集,利用集合卡尔曼滤波进行数据同化,得到初级ENKF同化的初级生产力数据集,利用LSTM神经网络进行训练,得到最终ENKF同化的初级生产力数据集;将光量子通量密度、最终ENKF同化的初级生产力数据集、植物照片利用LSTM神经网络进行训练,训练后的LSTM神经网络模型用于对叶面积指数预测。本发明对于不同种类的作物具有兼容性和可泛化性。
Description
技术领域
本发明属于叶面积指数预测技术领域,具体涉及一种基于初级生产力数据同化的叶面积指数预测方法。
背景技术
在针对农业领域的数据同化技术方面,目前存在并被使用的技术主要分为数学方法、结合方法和机器学习方法。其中数学方法主要分为卡尔曼滤波方法(及其变体,如集合卡尔曼滤波)和变分算法(目前主要使用三维变分和四维变分算法),这两种数学方法提出的时间较早。机器学习方法早在2001年被首次提出,至今已在很多领域的数据同化方面进行了广泛的应用,2018年提出迭代集成卡尔曼平滑,将基于集成的方法和变分技术结合,试图提高同化过程的准确性,结合方法是指将数学方法相融合从而形成新的同化方法,如针对WOFOST的VW-4DEnSRF同化算法是2021年提出的具有代表性的结合方法。但是这些方法应用在处理农业问题时存在以下技术问题:
1、同化过程的过拟合问题和计算体量大问题:数学同化方法在处理农业问题时存在的主要问题在于卡尔曼滤波的过拟合问题和变分算法的计算体量大问题。卡尔曼滤波存在的最大问题是它仅能对线性的过程模型和测量模型进行精确的估计,在非线性的场景中并不能达到最优的估计效果,而农业场景预测往往是非线性的,在使用卡尔曼滤波时很容易出现过拟合问题,使预测的结果与实际情况相差甚远。而四维变分算法在数据同化过程需要高维和迭代计算时,计算时间过长,计算体量很大,这些缺点都无法解决。面对传统方法的结合算法将传统方法进行了一些改进和组合,但这种组合并不能从本质上解决数据同化方法带来的问题,过拟合问题和计算体量问题仍然是这些结合方法面临的主要困难。而且在面临维度非常巨大、数据噪声大、数据覆盖面积不全、信息噪声过大、缺乏反映问题的突出特征时,神经网络还是不能很好的运行。
2、输入内容复杂:目前存在的GPP预测方式输入内容一般都较为复杂,如目前应用较多的GPP预测模型EC-LUE模型的输入也有很难理解和获得的部分,如显热通量与潜热通量的Bowen比;实际输入内容需要植物的二氧化碳转化率、空气中的二氧化碳分压、水的粘性系数、作物光合补偿点等内容,这些内容对于非农业领域专业而言很难理解和获得,且目前PCmodel只对于小麦作物有效,泛化性不强。
3、预测所需数据样本大、难以泛化:目前的很多作物预测模型,无论是单纯对GPP或LAI的预测还是混合预测,都有一些参数需要通过手机长时间的作物长势情况,通过归纳和拟合得到统计学结果,这就要求模型的创作者拥有不同地区、不同年份的大量作物生长数据,对于不同品种的作物要不停的重复这一统计过程才能确定计算参数。
发明内容
本发明要解决的问题是通过简单的方法对农作物的叶面积指数进行准确的预测,提出一种基于初级生产力数据同化的叶面积指数预测方法。
为实现上述目的,本发明通过以下技术方案实现:
一种基于初级生产力数据同化的叶面积指数预测方法,包括如下步骤:
S1、采集空气湿度数据、温度数据、植被吸收光合有效辐射数据,采集初级生产力数据,对植被进行拍照,构建初级生产力预测数据集、初级生产力实测数据集,待用;
S2、将步骤S1得到的初级生产力预测数据集、初级生产力实测数据集利用集合卡尔曼滤波进行数据同化,得到初级EnKF同化的初级生产力数据集;
S3、将步骤S1得到的初级生产力预测数据集为输入,将步骤S2得到的初级EnKF同化的初级生产力数据集为输出,对LSTM神经网络进行训练,并将初级生产力预测数据输入到训练好的神经网络中,对其进行二次训练,得到最终EnKF同化的初级生产力数据集;
S4、利用卫星采集光量子通量密度;
S5、利用步骤S4采集的光量子通量密度、步骤S3得到的最终EnKF同化的初级生产力数据集、步骤S1得到的植物照片作为输入,对应的叶面积指数作为输出,实现对LSTM神经网络的训练,训练后的LSTM神经网络模型用于实现叶面积指数估计。
进一步的,步骤S1的具体实现方法包括如下步骤:
S1.1、利用地面传感器采集空气湿度数据、温度数据,利用卫星采集植被吸收光合有效辐射的数据,用采集的空气湿度数据计算得到大气蒸气压差数据,将大气蒸气压差数据、温度数据、植被吸收光合有效辐射的数据作为1组试验数据,每天采集M组试验数据,连续采集N天,待用;
采集的温度数据和空气湿度数据计算得到大气蒸气压差数据的计算公式为:
其中T为当前气温,RH为空气湿度;
S1.2、将步骤S1采集的试验数据生成扰动,然后对扰动试验数据进行初级生产力计算,构建初级生产力预测数据集;
S1.3、利用卫星采集初级生产力数据,构建初级生产力实测数据集。
进一步的,步骤S1.2的具体实现方法包括如下步骤:
S1.2.1、将步骤S1采集的空气湿度数据、温度数据,利用卫星采集植被吸收光合有效辐射的数据以实际值为期望,定义扰动集合E为E=(ε1,ε2,...,εM)∈Rm×M,εi为第i组试验数据的扰动,i≤M,得到M×N组扰动试验数据;
S1.2.2、对步骤S1.2.1得到的M×N组扰动试验数据进行初级生产力计算,计算公式为:
GPP=εmax×f(Tmin)×f(VPD)×APRP
其中,GPP为初级生产力,VPD为大气蒸气压差,VPDmax为每日光合作用最强时的蒸气压差,VPDmin为每日光合作用为0时的蒸气压差,Tmin为温度,Tmin_max为每日光合作用最强时的温度,Tmin_min为每日光合作用为0时的温度,f(VPD)为以VPD为自变量的函数f,f(Tmin)为以Tmin为自变量的函数f,APRP为植被吸收光合有效辐射,εmax为最大扰动;
S1.2.3、将步骤S1.2.2计算的初级生产力数据构建初级生产力进行归一化,得到归一化的初级生产力数据,归一化的计算公式为:
其中,x为被归一化的数据,x_new为归一化后的数据,x_min为被归一化的所有数据中的最小值,x_max为被归一化的所有数据中的最大值;
S1.2.4、将步骤S1.2.3计算的归一化的初级生产力数据构建初级生产力预测数据集A,表达式为:
A=(α1,α2,…,αN)∈RM×N
其中,αi为第i天的归一化的GPP的测试数据,i≤N;
计算A的协方差Pe,计算公式为:
进一步的,步骤S1.3的具体实现方法包括如下步骤:
S1.3.1、将步骤S1采集的初级生产力数据值为期望,以扰动集合E为扰动,得到扰动的初级生产力实测数据值为ψj,计算公式为:
ψj=vj+εi,j=1,2,...,N
其中,vj为初级生产力实测数据值,j≤N;
S1.3.2、将步骤S1.3.1得到的扰动的初级生产力实测数据值进行归一化,得到归一化的扰动的初级生产力实测数据值;
S1.3.3、利于步骤S1.3.2得到的归一化的扰动的初级生产力实测数据值构建初级生产力实测数据集V,表达式为:
V=(ψ1,ψ2,…,ψN)∈RM×N
计算构建初级生产力实测数据集的协方差Re,计算公式为:
进一步的,步骤S2的具体实现方法包括如下步骤:
S2.1、计算计算卡尔曼增益K,计算公式为
其中,H为测量算子;
S2.2、通过步骤S2.1计算的卡尔曼增益K、步骤S1得到的初级生产力预测数据集、初级生产力实测数据集,计算初级ENKF同化的初级生产力数据集Aa,计算公式为:
Aa=A+K(V-HA);
S2.3、通过计算Aa中每个日期对应的n个同化结果的期望,得到初级ENKF同化的初级生产力数据集。
进一步的,步骤S3的具体实现方法包括如下步骤:
S3.1、定义LSTM神经网络模型的结构的输入为步骤S1得到的初级生产力预测数据集,输出为步骤S2得到的初级EnKF同化的初级生产力数据集,batch_size为72,隐藏层为1,神经网络层数共2,epochs为200,定义损失函数为mae,优化器为adam,进行LSTM神经网络模型正向计算,并记录损失值;
S3.2、使用步骤S3.1训练好的LSTM神经网络模型对步骤S1得到的初级生产力预测数据集进行二次同化,得到最终的初级生产力估计数据集。
进一步的,步骤S5的具体实现方法包括如下步骤:
S5.1、将步骤S4得到的光量子通量密度、步骤S3得到的最终EnKF同化的初级生产力数据集、步骤S1得到的植物照片作为LSTM神经网络的输入数据集;
S5.2、进行LSTM神经网络的训练,首先利用卷积神经网络对LSTM神经网络的输入数据集中的植物照片进行特征提取,使植物照片分别通过卷积层、池化层和全连接层,获取其纹理、边缘的生长特征,并将生长特征与LSTM神经网络的输入数据集对应日期、地点的PPFD、GPP共同作为输入,将对应日期、地点的作物叶面积指数LAI作为输出,对LSTM神经网络进行训练,得到叶面积指数预测公式为:
S5.3、步骤S5.2训练后的LSTM神经网络模型用于对叶面积指数进行预测。
本发明的有益效果:
本发明所述的一种基于初级生产力数据同化的叶面积指数预测方法,解决了叶面积指数(LAI)的精准预测的难题。本发明通过多模态的方法对LAI实现预测,其中用于LAI预测的内容包括预测得到的初级生产力(GPP)、被冠层拦截吸收的光合有效辐射(APRP)和大田摄像头俯视拍摄的农田图像。本发明将理论公式与传感器采集的实际情况相融合进行判断,使得结果更准确。同时因为神经网络的加入,在使用本发明时,可以避免使用理论公式中难以获得的参数(如GPP分配给叶片的比例,需要通过大量试验田数据进行计算和拟合)的过程,只需要通过神经网络建模对这些参数进行拟合或修正即可,减少了完成预测工作所需的数据样本量,对参数依赖性的降低也使得本发明对于不同种类的作物具有了更好的兼容性和可泛化性。
本发明所述的一种基于初级生产力数据同化的叶面积指数预测方法,解决了集合卡尔曼滤波等数据同化方法存在的过拟合、非线性问题不适用的问题。本发明提出了一种创新的数据同化方法,将传统的集合卡尔曼滤波方法(EnKF)和深度学习方法相结合,共同进行数据同化。本发明将模拟的GPP和卫星观测的实际GPP先用EnKF进行数据同化,由于实际GPP数据的数量有限,因此只有部分数据得到了直接的调整,此时的同化后数据很容易出现过拟合现象。因此本发明中将被直接调整过的数据与同化前的数据分别作为输出和输入训练LSTM神经网络,得到的LSTM神经网络则可以直接对全部的模拟GPP数据进行同化。这种方法的优点是:①有效的解决了单纯使用集合卡尔曼滤波的数据同化方法存在的过拟合问题;②通过集合卡尔曼滤波的数据同化方法的计算结果对神经网络进行训练,而不是直接使用实测结果和模拟结果对神经网络进行训练,这种方法使用集合卡尔曼滤波的数据同化方法先行增强了数据间的关系,突出了数据特征,过滤掉了数据噪声,这使神经网络的数据同化过程进行的更顺畅,得到的结果更理想。
本发明所述的一种基于初级生产力数据同化的叶面积指数预测方法,解决了GPP预测模型所需样本量大,输入复杂,不易泛化的问题。相比于同类型的GPP和LAI预测方法,本发明的模型输入非常简单,只需要空气湿度、地面两米位置的温度和植被吸收的光合有效辐射(APAR,Absorbed Photosynthetic Active Radiation)。其中空气湿度、温度都可以轻松的通过地面传感器获得,而APRA则可以通过卫星采集的数据获得,获取这些输入数据后,模型在内部继续利用空气湿度计算大气蒸气压差、利用APAR计算光量子通量密度(PPFD)并依此进行LAI的预测计算,大大降低了用户的使用难度。在计算过程中,由于引进了LSTM神经网络,本发明可以通过建模的方式对难以获得的参数或容易产生误差的输入进行拟合和修正,相比于理论模型使用门槛更低、准确性更高。同样因为LSTM神经网络引入的原因,本发明在进行预测时所需的数据样本量很小。在同化部分,卫星数据无需与实测数据的日期一一对应,可以使用步长较长的实测数据进行数据同化,且同化效果很好;在预测部分,相比于理论模型需要从长时间多地点的实测数据中通过统计学方法进行参数归纳的情况,本发明的LSTM神经网络建模需要的数据样本量远少于理论模型。
附图说明
图1为本发明所述的一种基于初级生产力数据同化的叶面积指数预测方法的流程图;
图2为本发明所述的一种基于初级生产力数据同化的叶面积指数预测方法的总体架构示意图;
图3为本发明所述的一种基于初级生产力数据同化的叶面积指数预测方法的数据同化的架构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及具体实施方式,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施方式仅用以解释本发明,并不用于限定本发明,即所描述的具体实施方式仅仅是本发明一部分实施方式,而不是全部的具体实施方式。通常在此处附图中描述和展示的本发明具体实施方式的组件可以以各种不同的配置来布置和设计,本发明还可以具有其他实施方式。
因此,以下对在附图中提供的本发明的具体实施方式的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定具体实施方式。基于本发明的具体实施方式,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他具体实施方式,都属于本发明保护的范围。
为能进一步了解本发明的发明内容、特点及功效,兹例举以下具体实施方式,并配合附图1-附图3详细说明如下:
具体实施方式一:
一种基于初级生产力数据同化的叶面积指数预测方法,包括如下步骤:
S1、采集空气湿度数据、温度数据、植被吸收光合有效辐射数据,采集初级生产力数据,对植被进行拍照,构建初级生产力预测数据集、初级生产力实测数据集,待用;
进一步的,步骤S1的具体实现方法包括如下步骤:
S1.1、利用地面传感器采集空气湿度数据、温度数据,利用卫星采集植被吸收光合有效辐射的数据,用采集的空气湿度数据计算得到大气蒸气压差数据,将大气蒸气压差数据、温度数据、植被吸收光合有效辐射的数据作为1组试验数据,每天采集M组试验数据,连续采集N天,待用;
采集的温度数据和空气湿度数据计算得到大气蒸气压差数据的计算公式为:
其中T为当前气温,RH为空气湿度;
S1.2、将步骤S1采集的试验数据生成扰动,然后对扰动试验数据进行初级生产力计算,构建初级生产力预测数据集;
进一步的,步骤S1.2的具体实现方法包括如下步骤:
S1.2.1、将步骤S1采集的空气湿度数据、温度数据,利用卫星采集植被吸收光合有效辐射的数据以实际值为期望,定义扰动集合E为E=(ε1,ε2,...,εM)∈Rm×M,εi为第i组试验数据的扰动,i为M中的任意一个,得到M×N组扰动试验数据;
S1.2.2、对步骤S1.2.1得到的M×N组扰动试验数据进行初级生产力计算,计算公式为:
GPP=εmax×f(Tmin)×f(VPD)×APRP
其中,GPP为初级生产力,VPD为大气蒸气压差,VPDmax为每日光合作用最强时的蒸气压差,VPDmin为每日光合作用为0时的蒸气压差,Tmin为温度,Tmin_max为每日光合作用最强时的温度,Tmin_min为每日光合作用为0时的温度,f(VPD)为以VPD为自变量的函数f,f(Tmin)为以Tmin为自变量的函数f,APRP为植被吸收光合有效辐射,εmax为最大扰动;
进一步的,取每日11:00和14:00中入射光线较强的时间作为光合作用最强时刻,再在后续的同化操作中调整这一数值的偏差;其中VPDmin和Tmin_min是指每日光合作用为0时的蒸气压差和温度,取日落后时间20:00的湿度和温度对二者进行计算;
S1.2.3、将步骤S1.2.2计算的初级生产力数据构建初级生产力进行归一化,得到归一化的初级生产力数据,归一化的计算公式为:
其中,x为被归一化的数据,x_new为归一化后的数据,x_min为被归一化的所有数据中的最小值,x_max为被归一化的所有数据中的最大值;
S1.2.4、将步骤S1.2.3计算的归一化的初级生产力数据构建初级生产力预测数据集A,表达式为:
A=(α1,α2,…,αN)∈RM×N
其中,αi为第i天的归一化的GPP的测试数据,i≤N;
计算A的协方差Pe,计算公式为:
S1.3、利用卫星采集初级生产力数据,构建初级生产力实测数据集;
进一步的,步骤S1.3的具体实现方法包括如下步骤:
MODIS卫星采集的GPP数据以八天为步长,与预测得到的GPP数据相比数据量少,因此需要先对MODIS卫星采集的GPP数据进行扩充,进行作物生长预测的时间共n天,需要将MODIS的GPP数据拉长至以一日为基本单位的时间尺度上,其中没有进行GPP采集的日期以空值进行占位,而有进行采集的日期即记录为采集到的GPP数据,得到一组长度为n的矩阵,对采集到的数据进行上下波动10%且以采集数据为期望的高斯分布扰动;
S1.3.1、将步骤S1采集的初级生产力数据值为期望,以扰动集合E为扰动,得到扰动的初级生产力实测数据值为ψj,计算公式为:
ψj=vj+εj,j=1,2,...,N
其中,vj为初级生产力实测数据值,j≤N;
S1.3.2、将步骤S1.3.1得到的扰动的初级生产力实测数据值进行归一化,得到归一化的扰动的初级生产力实测数据值;
S1.3.3、利于步骤S1.3.2得到的归一化的扰动的初级生产力实测数据值构建初级生产力实测数据集V,表达式为:
V=(ψ1,ψ2,…,ψN)∈RM×N
计算构建初级生产力实测数据集的协方差Re,计算公式为:
S2、将步骤S1得到的初级生产力预测数据集、初级生产力实测数据集利用集合卡尔曼滤波进行数据同化,得到初级ENKF同化的初级生产力数据集;
进一步的,步骤S2的具体实现方法包括如下步骤:
S2.1、计算计算卡尔曼增益K,计算公式为
其中,H为测量算子;
S2.2、通过步骤S2.1计算的卡尔曼增益K、步骤S1得到的初级生产力预测数据集、初级生产力实测数据集,计算初级ENKF同化的初级生产力数据集Aa,计算公式为:
Aa=A+K(V-HA);
S2.3、通过计算Aa中每个日期对应的n个同化结果的期望,得到初级ENKF同化的初级生产力数据集;
S3、将步骤S1得到的初级生产力预测数据集为输入,将步骤S2得到的初级EnKF同化的初级生产力数据集为输出,对LSTM神经网络进行训练,并将初级生产力预测数据输入到训练好的神经网络中,对其进行二次训练,得到最终EnKF同化的初级生产力数据集;
由于MODIS的步长是8天,只有对应日期的GPP得到了同化,而其他日期的GPP并没有被直接同化,所以单独用EnKF方法同化后得到的GPP曲线经常具有过拟合现象,即同化后的GPP曲线出现明显不符合作物生长规律的大幅度上下波动,这种情况在同化数据存在噪声或同化数据量不够时会更加明显。所以需要将步骤S1得到的初级生产力预测数据集作为输入,步骤S2得到的初级ENKF同化的初级生产力数据集作为输出用于对LSTM神经网络进行训练;
进一步的,步骤S3的具体实现方法包括如下步骤:
S3.1、定义LSTM神经网络模型的结构的输入为步骤S1得到的初级生产力预测数据集,输出为步骤S2得到的初级ENKF同化的初级生产力数据集,batch_size为72,隐藏层为1,神经网络层数共2,epochs为200,定义损失函数为mae,优化器为adam,进行LSTM神经网络模型正向计算,并记录损失值;
S3.2、使用步骤S3.1训练好的LSTM神经网络模型对步骤S1得到的初级生产力预测数据集进行二次同化,得到最终的初级生产力估计数据集;
S4、利用卫星获取光量子通量密度数据;
S5、将步骤S4得到的光量子通量密度、步骤S3得到的最终ENKF同化的初级生产力数据集、步骤S1得到的植物照片利用LSTM神经网络进行训练,训练后的LSTM神经网络模型用于对叶面积指数估计。
进一步的,步骤S5的具体实现方法包括如下步骤:
S5.1、将步骤S4得到的光量子通量密度、步骤S3得到的最终ENKF同化的初级生产力数据集、步骤S1得到的植物照片作为LSTM神经网络的输入数据集;
S5.2、进行LSTM神经网络的训练,首先利用卷积神经网络对LSTM神经网络的输入数据集中的植物照片进行特征提取,使植物照片分别通过卷积层、池化层和全连接层,获取其纹理、边缘的生长特征,并将生长特征与LSTM神经网络的输入数据集对应日期、地点的PPFD、GPP共同作为输入,将对应日期、地点的作物叶面积指数LAI作为输出,对LSTM神经网络进行训练,得到叶面积指数预测公式为:
S5.3、步骤S5.2训练后的LSTM神经网络模型用于对叶面积指数进行预测。
本发明的关键点和欲保护点为:
1、数据同化算法,即EnKF-LSTM数据同化算法,使用传统数学方法和神经网络相结合的方式对GPP进行数据同化。
2、多模态预测LAI方法,即在进行LAI预测时,使用LSTM神经网络对GPP、PPFD和田间拍摄图像共同建模实现预测。
需要说明的是,术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
虽然在上文中已经参考具体实施方式对本申请进行了描述,然而在不脱离本申请的范围的情况下,可以对其进行各种改进并且可以用等效物替换其中的部件。尤其是,只要不存在结构冲突,本申请所披露的具体实施方式中的各项特征均可通过任意方式相互结合起来使用,在本说明书中未对这些组合的情况进行穷举性的描述仅仅是出于省略篇幅和节约资源的考虑。因此,本申请并不局限于文中公开的特定具体实施方式,而是包括落入权利要求的范围内的所有技术方案。
Claims (7)
1.一种基于初级生产力数据同化的叶面积指数预测方法,其特征在于,包括如下步骤:
S1、采集空气湿度数据、温度数据、植被吸收光合有效辐射数据,采集初级生产力数据,对植被进行拍照,构建初级生产力预测数据集、初级生产力实测数据集,待用;
S2、将步骤S1得到的初级生产力预测数据集、初级生产力实测数据集利用集合卡尔曼滤波进行数据同化,得到初级EnKF同化的初级生产力数据集;
S3、将步骤S1得到的初级生产力预测数据集为输入,将步骤S2得到的初级EnKF同化的初级生产力数据集为输出,对LSTM神经网络进行训练,并将初级生产力预测数据输入到训练好的神经网络中,对其进行二次训练,得到最终EnKF同化的初级生产力数据集;
S4、利用卫星采集光量子通量密度;
S5、利用步骤S4采集的光量子通量密度、步骤S3得到的最终EnKF同化的初级生产力数据集、步骤S1得到的植物照片作为输入,对应的叶面积指数作为输出,实现对LSTM神经网络的训练,训练后的LSTM神经网络模型用于实现叶面积指数估计。
2.根据权利要求1所述的一种基于初级生产力数据同化的叶面积指数预测方法,其特征在于,步骤S1的具体实现方法包括如下步骤:
S1.1、利用地面传感器采集空气湿度数据、温度数据,利用卫星采集植被吸收光合有效辐射的数据,用采集的空气湿度数据计算得到大气蒸气压差数据,将大气蒸气压差数据、温度数据、植被吸收光合有效辐射的数据作为1组试验数据,每天采集M组试验数据,连续采集N天,待用;
S1.2、利用卫星采集初级生产力数据,构建初级生产力实测数据集;
S1.3、对步骤S1采集的试验数据进行扰动,利用扰动后的试验数据进行初级生产力计算,并与初级生产力实测数据集进行同化,构建初级生产力预测数据集。
3.根据权利要求1或2所述的一种基于初级生产力数据同化的叶面积指数预测方法,其特征在于,步骤S1.2的具体实现方法包括如下步骤:
S1.2.1、将步骤S1采集的空气湿度数据、温度数据,利用卫星采集植被吸收光合有效辐射的数据以实际值为期望,定义扰动集合E为E=(ε1,ε2,...,εM)∈Rm×M,εi为第i组试验数据的扰动,i≤M,得到M×N组扰动试验数据;
S1.2.2、对步骤S1.2.1得到的M×N组扰动试验数据进行初级生产力计算,计算公式为:
GPP=εmax×f(Tmin)×f(VPD)×APRP
其中,GPP为初级生产力,VPD为大气蒸气压差,VPDmax为每日光合作用最强时的蒸气压差,VPDmin为每日光合作用为0时的蒸气压差,Tmin为温度,Tmin_max为每日光合作用最强时的温度,Tmin_min为每日光合作用为0时的温度,f(VPD)为以VPD为自变量的函数f,f(Tmin)为以Tmin为自变量的函数f,APRP为植被吸收光合有效辐射,εmax为最大扰动;
S1.2.3、将步骤S1.2.2计算的初级生产力数据构建初级生产力进行归一化,得到归一化的初级生产力数据,归一化的计算公式为:
其中,x为被归一化的数据,x_new为归一化后的数据,x_min为被归一化的所有数据中的最小值,x_max为被归一化的所有数据中的最大值;
S1.2.4、将步骤S1.2.3计算的归一化的初级生产力数据构建初级生产力预测数据集A,表达式为:
A=(α1,α2,...,αN)∈RM×N
其中,αi为第i天的归一化的GPP的测试数据,i≤N;
计算A的协方差Pe,计算公式为:
4.根据权利要求3所述的一种基于初级生产力数据同化的叶面积指数预测方法,其特征在于,步骤S1.3的具体实现方法包括如下步骤:
S1.3.1、将步骤S1采集的初级生产力数据值为期望,以扰动集合E为扰动,得到扰动的初级生产力实测数据值为ψj,计算公式为:
ψj=vj+εj,j=1,2,...,N
其中,vj为初级生产力实测数据值,j≤N;
S1.3.2、将步骤S1.3.1得到的扰动的初级生产力实测数据值进行归一化,得到归一化的扰动的初级生产力实测数据值;
S1.3.3、利于步骤S1.3.2得到的归一化的扰动的初级生产力实测数据值构建初级生产力实测数据集V,表达式为:
V=(ψ1,ψ2,...,ψN)∈RM×N
利用扰动E计算构建初级生产力实测数据集的协方差Re,计算公式为:
6.根据权利要求5所述的一种基于初级生产力数据同化的叶面积指数预测方法,其特征在于,步骤S3的具体实现方法包括如下步骤:
S3.1、定义LSTM神经网络模型的结构的输入为步骤S1得到的初级生产力预测数据集,输出为步骤S2得到的初级EnKF同化的初级生产力数据集,batch_size为72,隐藏层为1,神经网络层数共2,epochs为200,定义损失函数为mae,优化器为adam,进行LSTM神经网络模型正向计算,并记录损失值;
S3.2、使用步骤S3.1训练好的LSTM神经网络模型对步骤S1得到的初级生产力预测数据集进行二次同化,得到最终的初级生产力估计数据集。
7.根据权利要求7所述的一种基于初级生产力数据同化的叶面积指数预测方法,其特征在于,步骤S5的具体实现方法包括如下步骤:
S5.1、将步骤S4得到的光量子通量密度、步骤S3得到的最终EnKF同化的初级生产力数据集、步骤S1得到的植物照片作为LSTM神经网络的输入数据集;
S5.2、进行LSTM神经网络的训练,首先利用卷积神经网络对LSTM神经网络的输入数据集中的植物照片进行特征提取,使植物照片分别通过卷积层、池化层和全连接层,获取其纹理、边缘的生长特征,并将生长特征与LSTM神经网络的输入数据集对应日期、地点的PPFD、GPP共同作为输入,将对应日期、地点的作物叶面积指数LAI作为输出,对LSTM神经网络进行训练,得到叶面积指数预测公式为:
S5.3、步骤S5.2训练后的LSTM神经网络模型用于对叶面积指数进行预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310420571.XA CN116432849B (zh) | 2023-04-19 | 2023-04-19 | 一种基于初级生产力数据同化的叶面积指数预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310420571.XA CN116432849B (zh) | 2023-04-19 | 2023-04-19 | 一种基于初级生产力数据同化的叶面积指数预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116432849A true CN116432849A (zh) | 2023-07-14 |
CN116432849B CN116432849B (zh) | 2024-03-26 |
Family
ID=87092435
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310420571.XA Active CN116432849B (zh) | 2023-04-19 | 2023-04-19 | 一种基于初级生产力数据同化的叶面积指数预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116432849B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117493733A (zh) * | 2023-10-30 | 2024-02-02 | 武汉大学 | 一种基于卫星多光谱信息的总初级生产力计算方法及系统 |
CN117493733B (zh) * | 2023-10-30 | 2024-06-11 | 武汉大学 | 一种基于卫星多光谱信息的总初级生产力计算方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113779796A (zh) * | 2021-09-13 | 2021-12-10 | 中国科学技术大学 | 一种基于卫星被动微波遥感的植被总初级生产力估算方法 |
CN114331233A (zh) * | 2022-03-15 | 2022-04-12 | 航天宏图信息技术股份有限公司 | 植被总初级生产力估算方法、装置、电子设备及存储介质 |
-
2023
- 2023-04-19 CN CN202310420571.XA patent/CN116432849B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113779796A (zh) * | 2021-09-13 | 2021-12-10 | 中国科学技术大学 | 一种基于卫星被动微波遥感的植被总初级生产力估算方法 |
CN114331233A (zh) * | 2022-03-15 | 2022-04-12 | 航天宏图信息技术股份有限公司 | 植被总初级生产力估算方法、装置、电子设备及存储介质 |
Non-Patent Citations (3)
Title |
---|
伍卫星;王绍强;肖向明;于贵瑞;伏玉玲;郝彦宾;: "利用MODIS影像和气候数据模拟中国内蒙古温带草原生态系统总初级生产力", 中国科学(D辑:地球科学), no. 08 * |
周媛媛;李新荣;高艳红;陈永乐;宋光;管超;: "环境因子对沙坡头人工植被区碳通量的影响", 兰州大学学报(自然科学版), no. 04, 15 August 2017 (2017-08-15) * |
张丽景;葛宏立;: "利用MODIS数据估测毛竹林总初级生产力", 浙江农林大学学报, no. 02, 20 April 2014 (2014-04-20) * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117493733A (zh) * | 2023-10-30 | 2024-02-02 | 武汉大学 | 一种基于卫星多光谱信息的总初级生产力计算方法及系统 |
CN117493733B (zh) * | 2023-10-30 | 2024-06-11 | 武汉大学 | 一种基于卫星多光谱信息的总初级生产力计算方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116432849B (zh) | 2024-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112348812B (zh) | 林分年龄信息测量方法及装置 | |
CN111080173B (zh) | 一种森林系统碳通量的估计方法 | |
CN112183428A (zh) | 一种小麦种植区域分割与产量预测方法 | |
CN109993062B (zh) | 一种湿地植被根际土壤微生物高光谱植被指数监测方法 | |
Chen et al. | Global datasets of leaf photosynthetic capacity for ecological and earth system research | |
CN110579186B (zh) | 基于逆高斯过程反演叶面积指数的农作物长势监测方法 | |
CN111721714B (zh) | 一种基于多源光学遥感数据的土壤含水量估算方法 | |
CN112836575A (zh) | 一种基于作物物候期的多时序影像水稻估产方法 | |
CN114140695B (zh) | 一种基于无人机多光谱遥感的茶树氮素诊断及品质指标测定的预测方法和系统 | |
Durodola et al. | Modelling the impacts of climate change on soybeans water use and yields in Ogun-Ona River Basin, Nigeria | |
Karkee et al. | Quantifying sub-pixel signature of paddy rice field using an artificial neural network | |
Wei et al. | Spatial-Temporal Variation in Paddy Evapotranspiration in Subtropical Climate Regions Based on the SEBAL Model: A Case Study of the Ganfu Plain Irrigation System, Southern China | |
Zhangzhong et al. | Development of an evapotranspiration estimation method for lettuce via mobile phones using machine vision: Proof of concept | |
CN117688404A (zh) | 智能施肥配方决策方法、装置、设备、介质及程序产品 | |
Yue et al. | Estimating fractional coverage of crop, crop residue, and bare soil using shortwave infrared angle index and Sentinel-2 MSI | |
CN116432849B (zh) | 一种基于初级生产力数据同化的叶面积指数预测方法 | |
CN113297904A (zh) | 一种基于卫星驱动模型的高寒草地生物量估算方法及系统 | |
CN116403048B (zh) | 一种基于多模态数据融合的农作物生长估计模型构建方法 | |
Ayub et al. | Wheat Crop Field and Yield Prediction using Remote Sensing and Machine Learning | |
Li et al. | Estimation of the net photosynthetic rate for waterlogged winter wheat based on digital image technology | |
CN112380497B (zh) | 用于区域玉米的秸秆系数估算方法及系统 | |
CN112949182B (zh) | 耦合地表土壤含水量的区域尺度最大气孔导度的计算方法 | |
CN115661674A (zh) | 一种基于多源卫星土壤湿度数据的作物灌溉信息提取方法 | |
Li et al. | Soybean leaf estimation based on RGB images and machine learning methods | |
Wang et al. | Application of grey systems in predicting the degree of cotton spider mite infestations |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |